图解Raft：应该是最容易理解的分布式一致性算法 _Raft

分布式一致性想象一下，我们有一个单节点系统，且作为数据库服务器，然后存储了一个值（假设为X）。然后，有一个客户端往服务器发送了一个值（假设为8）。只要服务器接受到这个值即可，这个值在单节点上的一致性非常容易保证：

文章插图
单机环境
【图解Raft：应该是最容易理解的分布式一致性算法】但是，如果数据库服务器有多个节点呢？比如，如下图所示，有三个节点：a，b，c 。这时候客户端对这个由3个节点组成的数据库集群进行操作时的值一致性如何保证，这就是分布式一致性问题。而Raft就是一种实现了分布式一致性的协议（还有其他一些一致性算法，例如：ZAB、PAXOS等）：

文章插图
分布式环境
一些概念讲解Raft算法之前，先普及一些Raft协议涉及到的概念：
term：任期，比如新的选举任期，即整个集群初始化时，或者新的Leader选举就会开始一个新的选举任期。
大多数：假设一个集群由N个节点组成，那么大多数就是至少N/2+1 。例如：3个节点的集群，大多数就是至少2；5个节点的集群，大多数就是至少3 。
状态：每个节点有三种状态，且某一时刻只能是三种状态中的一种：Follower（图左），Candidate（图中），Leader（图右）。假设三种状态不同图案如下所示：

文章插图
节点状态图
初始化状态时，三个节点都是Follower状态，并且term为0，如下图所示：

文章插图
初始化
Leader选举Leader选举需要某个节点发起投票，在确定哪个节点向其他节点发起投票之前，每个节点会分配一个随机的选举超时时间（election timeout）。在这个时间内，节点必须等待，不能成为Candidate状态。现在假设节点a等待168ms , 节点b等待210ms , 节点c等待200ms。由于a的等待时间最短，所以它会最先成为Candidate，并向另外两个节点发起投票请求，希望它们能选举自己为Leader：

文章插图
发起投票请求
另外两个节点收到请求后，假设将它们的投票返回给Candidate状态节点a，节点a由于得到了大多数节点的投票，就会从Candidate变为Leader，如下图所示，这个过程就叫做Leader选举（Leader Election）。接下来，这个分布式系统所有的改变都要先经过节点a，即Leader节点：

文章插图
Leader节点
如果某个时刻，Follower不再收到Leader的消息，它就会变成Candidate 。然后请求其他节点给他投票（类似拉票一样）。其他节点就会回复它投票结果，如果它能得到大多数节点的投票，它就能成为新的Leader 。
日志复制假设接下来客户端发起一个SET 5的请求，这个请求会首先由leader即节点a接收到，并且节点a写入一条日志。由于这条日志还没被其他任何节点接收，所以它的状态是uncommitted 。

文章插图
sc_20190511173101.png
为了提交这条日志，Leader会将这条日志通过心跳消息复制给其他的Follower节点：

文章插图
日志复制
一旦有大多数节点成功写入这条日志，那么Leader节点的这条日志状态就会更新为committed状态，并且值更新为5：

文章插图
sc_20190511173806.png
Leader节点然后通知其他Follower节点，其他节点也会将值更新为5 。如下图所示，这个时候集群的状态是完全一致的，这个过程就叫做日志复制（Log Replication）：

文章插图
sc_20190511174011.png
两个超时接下来介绍Raft中两个很重要的超时设置：选举超时和心跳超时。

选举超时

为了防止3个节点（假设集群由3个节点组成）同时发起投票，会给每个节点分配一个随机的选举超时时间（Election Timeout），即从Follower状态成为Candidate状态需要等待的时间。在这个时间内，节点必须等待，不能成为Candidate状态。如下图所示，节点C优先成为Candidate，而节点A和B还在等待中：